变尺度搜索遗传算法在神经网络训练中的应用

为解决传统的BP学习算法因采用梯度搜索技术而具有的收敛速度慢、容易陷入局部极小等缺点,提出了一种基于多参数空间快速搜索遗传算法的网络权值优化方法.该方法采用误差均分的变尺度搜索技术来训练网络权值,将网络权值的训练转化为多参数空间的寻优问题.训练实例对比结果表明,由于采用了并行计算及变尺度搜索技术,该算法不仅收敛速度快,网络逼近精度高,而且能实现全局最优,克服了BP算法易于陷入局部极小的问题,说明了该方法的有效性.

基于变尺度搜索算法的混沌MIMIC算法

混沌MIMIC算法(CS-MIMIC)是双变量相关MIMIC算法和混沌搜索算法的结合。算法中引入变尺度搜索算法,目的是缩小搜索区间,直至找到最优变量。从验证结果看出,该算法可以收敛到无约束测试函数的最优解,并且在精确度和稳定性方面有所提高。

基于变尺度混沌优化搜索的局部阴影条件下光伏阵列MPPT研究

为提高混沌搜索在局部阴影条件下光伏阵列最大功率点跟踪中的速度和效率,提出一种变尺度混沌优化搜索方法。在搜索过程中首先采用Logistic映射产生混沌变量,将其映射到光伏阵列的输出电压空间;然后进行变尺度操作,将搜索区间缩小,直到搜索到最大功率点。研究结果表明:与传统混沌搜索方法相比,该混沌搜索方法能快速准确地跟踪最大功率点的变化,为局部阴影条件下光伏阵列最大功率点跟踪提供了一种新的有效方法。

融入社会影响力的粒子群优化算法

目前粒子群优化(PSO)算法及其变体已被证明是有用的方法来求解复杂优化问题。然而,PSO及其大多数变体仅考虑全局最优位置和个体历史最优位置对个体的影响,导致算法的多样性不足,易于陷入局部最优。针对此问题,提出了一种融入社会影响力的粒子群优化(PSOSI)算法。具体而言,该算法设计了三种策略:首先,每个粒子将选择全局最优粒子和最优伙伴粒子作为其"社会学习"的对象,为每个粒子带来更丰富的有用知识;其次,引入引力系数分别描述各榜样带来的影响,在保证最优经验得到分享的同时,增强了种群学习的多样性;此外,每个粒子还在各维度上进一步向其最优伙伴粒子学习,实现从全局到局部的变尺度搜索,增强算法的整体收敛能力。实验对CEC2013测试集的28个基准函数进行测试,并与主流的10种PSO变体和3种非PSO优化算法进行比较,实验结果验证了PSOSI的优越性。

改进遗传算法在神经网络训练中的应用

网络的优化学习是人工神经网络研究中的一个重要课题。BP学习算法采用梯度搜索技术,具有收敛速度慢、局部极小等缺点。提出了用误差均分变尺度搜索遗传算法来训练网络权值,不仅收敛速度快而且能实现全局最优。训练实例说明了该方法的有效性。